近日，清華大學AI研究院孵化企業(yè)RealAI（瑞萊智慧）正式推出首個針對AI在極端和對抗環(huán)境下的算法安全性檢測與加固的工具平臺——RealSafe人工智能安全平臺。該平臺內(nèi)置領(lǐng)先的AI對抗攻防算法，提供從安全測評到防御加固整體解決方案，目前可用于發(fā)現(xiàn)包括人臉比對等在內(nèi)的常用AI算法可能出錯的極端情形，也能預防潛在的對抗攻擊。

業(yè)界首個針對AI在極端和對抗環(huán)境下的算法安全性檢測與加固的工具平臺

“對抗樣本”成新型病毒，算法安全問題亟待解決

隨著人工智能技術(shù)的高速發(fā)展，人工智能在諸多場景正逐漸替代或協(xié)作著人類的各種勞動，它們可以成為人類的眼睛、耳朵、手臂甚至大腦。

其中，機器視覺作為AI時代的基礎(chǔ)技術(shù)，其背后的AI算法一直是各科技巨頭和創(chuàng)業(yè)公司共同追逐的熱點。然而在機器視覺諸多主流應用場景的背后，往往也藏著由技術(shù)性缺陷導致的算法安全風險。

例如，在一些訓練數(shù)據(jù)無法覆蓋到的極端場景中，自動駕駛汽車的識別系統(tǒng)可能出現(xiàn)匪夷所思的決策，危害乘車人的人身安全。從2016年至今，Tesla、Uber等企業(yè)的輔助駕駛和自動駕駛系統(tǒng)就都曾出現(xiàn)過類似致人死亡的嚴重事故。并且這類極端情形也可能被惡意制造并利用，發(fā)動“對抗樣本攻擊”，去年7月，百度等研究機構(gòu)就曾經(jīng)通過3D技術(shù)打印出能讓自動駕駛“無視”的障礙物，讓車輛面臨撞擊風險。

而以上攻擊之所以能成功，主要是機器視覺和人類視覺有著很大的差異。因此可以通過在圖像、物體等輸入信息上添加微小的擾動改變（即上述故意干擾的“對抗樣本”），就能導致很大的算法誤差。此外，隨著AI的進一步發(fā)展，AI算法模型將運用金融決策、醫(yī)療診斷等關(guān)鍵核心場景，這類AI“漏洞”的威脅將愈發(fā)凸顯出來。

近年來，包括清華大學人工智能研究院院長張鈸院士、前微軟全球執(zhí)行副總裁沈向洋等均提倡要發(fā)展安全、可靠、可信的人工智能以及負責任的人工智能，其中AI的安全應用均是重點方向。

而且，AI安全作為新興領(lǐng)域，在開源社區(qū)、工具包的加持下，對抗樣本等攻擊手段日益變得復雜，相關(guān)防御手段的普及和推廣卻難以跟上。并且對抗樣本等算法漏洞檢測存在較高的技術(shù)壁壘，目前市面上缺乏自動化檢測工具，而大部分企業(yè)與組織不具備該領(lǐng)域的專業(yè)技能來妥善應對日益增長的惡意攻擊。

從安全測評到防御加固，RealSafe讓AI更加安全可控

就如網(wǎng)絡安全時代，網(wǎng)絡攻擊的大規(guī)模滲透誕生出殺毒軟件，RealAI團隊希望通過RealSafe平臺打造出人工智能時代的“殺毒軟件”，幫助企業(yè)高效應對人工智能時代下算法漏洞孕育出的“新型病毒”。

目前，RealSafe平臺主要支持兩大功能模塊：模型安全測評、防御解決方案。

其中，模型安全評測主要為用戶提供AI模型安全性評測服務。用戶只需接入所需測評模型的SDK或API接口，選擇平臺內(nèi)置或者自行上傳的數(shù)據(jù)集，平臺將基于多種算法生成對抗樣本模擬攻擊，并綜合在不同算法、迭代次數(shù)、擾動量大小的攻擊下模型效果的變化，給出模型安全評分及詳細的測評報告（如下圖）。目前已支持黑盒查詢攻擊方法與黑盒遷移攻擊方法。

防御解決方案則是為用戶提供模型安全性升級服務，目前RealSafe平臺支持五種去除對抗噪聲的通用防御方法，可實現(xiàn)對輸入數(shù)據(jù)的自動去噪處理，破壞攻擊者惡意添加的對抗噪聲。根據(jù)上述的模型安全評測結(jié)果，用戶可自行選擇合適的防御方案，一鍵提升模型安全性。另外防御效果上，根據(jù)實測來看，部分第三方的人臉比對API通過使用RealSafe平臺的防御方案加固后，安全性可提高40％以上

隨著模型攻擊手段在不斷復雜擴張的情況下，RealSafe平臺還持續(xù)提供廣泛且深入的AI防御手段，幫助用戶獲得實時且自動化的漏洞檢測和修復能力。

準確度99．99％也難逃被“惡意干擾”，RealSafe高效應對算法威脅

考慮到公眾對于對抗樣本這一概念可能比較模糊，RealSafe平臺特意選取了公眾最為熟知的人臉比對場景（人臉比對被廣泛用于金融遠程開戶、刷臉支付、酒店入住登記等場景的身份認證環(huán)節(jié)）提供在線體驗。

并且，為了深入研究“對抗樣本”對人臉比對系統(tǒng)識別效果的影響，RealAI 團隊基于此功能在國內(nèi)外主流 AI 平臺的演示服務中進行了測試。

實測證明，“對抗樣本”可以極大的干擾人臉比對系統(tǒng)的識別結(jié)果，而測試的這幾家互聯(lián)網(wǎng)公司平臺開放的人臉比對API或SDK，幾乎覆蓋了目前市面上很多中小型企業(yè)在落地人臉識別應用時的選擇，如果他們的人臉比對技術(shù)存在明顯的安全漏洞，意味著更廣泛的應用場景將存在安全隱患。

因此，為了幫助更大范圍內(nèi)的企業(yè)高效應對算法威脅，RealSafe平臺具備以下兩大優(yōu)勢：

·組件化、零編碼的在線測評：相較于ART、Foolbox等開源工具需要自行部署、編寫代碼，RealSafe平臺采用組件化、零編碼的功能設置，免去了重復造輪子的精力與時間消耗，用戶只需提供相應的數(shù)據(jù)即可在線完成評估，學習成本低，無需擁有專業(yè)算法能力也可以上手操作。

·可視化、可量化的評測結(jié)果：為了幫助用戶提高對模型安全性的概念，RealSafe平臺采用可量化的形式對安全評測結(jié)果進行展示，根據(jù)模型在對抗樣本攻擊下的表現(xiàn)進行評分，評分越高則模型安全性越高。此外，RealSafe平臺提供安全性變化展示，經(jīng)過防御處理后的安全評分變化以及模型效果變化一目了然。

從數(shù)字世界到物理世界 RealAI落地更多安全周邊產(chǎn)品

隨著機器學習模型不斷的升級演化，“對抗樣本”已經(jīng)演變成一種新型攻擊手段，并且逐漸從數(shù)字世界蔓延到物理世界：在路面上粘貼對抗樣本貼紙模仿合并條帶誤導自動駕駛汽車拐進逆行車道、胸前張貼一張對抗樣本貼紙在監(jiān)控設備下實現(xiàn)隱身……

因此，除了針對數(shù)字世界的算法模型推出安全評測平臺，RealAI團隊也聯(lián)合清華大學AI研究院圍繞多年來積累的領(lǐng)先世界的研究成果落地了一系列AI攻防安全產(chǎn)品，為更多場景保駕護航。

比如通過佩戴帶有對抗樣本圖案的“眼鏡”，黑客可以輕易破解商用手機的面部解鎖，通過在胸前張貼特制花紋實現(xiàn)在AI監(jiān)控下的“隱身”，以及通過在車輛上涂裝特殊花紋躲避AI對車輛的檢測。發(fā)現(xiàn)類似新型漏洞的同時，RealAI也推出相應的防御技術(shù)，支持對主流AI算法中的安全漏洞進行檢測，并提供AI安全防火墻對攻擊AI模型的行為進行有效攔截。

人工智能的大潮滾滾而來，隨之而來的安全風險也將越來越多樣化，尤其近年來因AI技術(shù)不成熟導致的侵害風險也頻頻發(fā)生，可以說，算法漏洞已逐漸成為繼網(wǎng)絡安全、數(shù)據(jù)安全后又一大安全難題。

所幸的是，以RealAI為代表的這些頂尖AI團隊早已開始了AI安全領(lǐng)域的征程，并開始以標準化的產(chǎn)品助力行業(yè)降低應對安全風險的門檻與成本。此次上線RealSafe人工智能安全平臺是RealAI的一小步嘗試，但對于整個行業(yè)而言，這將是人工智能產(chǎn)業(yè)邁向健康可控發(fā)展之路的一大步。